城市遥感图像的自动解译方法：原理、方法和应用

从遥感影像中获取目标信息，这是智能传感器发展的必然趋势。早期的全自动解译是指采用基于内容的图像检索等方法，也包括较简单的模板匹配等方法，根据目标的几何特征或者独特的纹理特征，通过自动解译可以考虑多重判据的集成与融合(季顺平，2018)。随着神经网络、深度学习等技术的发展，通过大量的训练样本来训练模型可以实现自动解译。根据任务的不同，深度学习应用于遥感影像的全自动解译主要体现在影像检索、语义分割、目标检测和实例分割等应用中。

1.影像自动检索应用

遥感影像的生产能力较以前有较大提高，遥感影像的自动检索对于城市遥感影像的管理和使用十分重要。由于遥感影像数据庞大，覆盖范围广，涵盖地物类别复杂，在实际处理中，通常将遥感影像分割成固定大小的瓦片，然后判断并检索这个瓦片属于哪一类或哪些类，进行单标签或多标签的标注(Zhou et al.，2017)。图6-16为遥感影像瓦片的单标签检索的应用示例。

图6-16　城市遥感影像单标签检索应用示例

2.城市遥感影像语义自动分割应用

城市遥感影像语义分割是指在像素层面分割出一类或多类的城市场景，如把图像分割为人工建筑、道路、植被、水域等。语义分割的含义更接近于传统的遥感图像分类。以单目标分割为例，将目标像素集合的标签设置为1，作为正样本，其他的图像区域设置为0，作为负样本。这样任务就是从原始图像开始学习特征表达，完成图像的二值分割。城市建筑、道路的全自动提取就是单目标语义分割的结果，图6-17为针对道路语义分割结果的解译示例。

图6-17　道路语义分割结果示例(www.xing528.com)

3.城市目标自动检测应用

城市目标自动检测与图像检索或语义分割有一定的联系，但区别也很明显。遥感图像检索是实现感兴趣目标或区域的图像块的定位和检索，并不能识别物体的数量和精确位置。语义分割是像素级的操作，而不是在目标或对象层次。目标检测指识别并定位出“某类物体中的某个实例”，如建筑物类别中的某栋房屋。全自动的目标识别通常归结为最优包容盒的检测。例如，待检索目标是飞机或建筑物，则其轮廓的外接矩形框则为其包容盒。包容盒检测也称为包容盒回归。回归与标签分类相对。如以上所述的图像检索、语义分割，类别标签都是离散量，可归纳为一个分类问题。而包容盒回归所对应的标签是连续量，即四个坐标值。要得到这些连续量的最优估计，在数学中就是一个回归问题(Xia et al.，2018)。图6-18是遥感影像船只目标检测的例子，其中的红色方框即为得到的包容盒。

4.城市建筑物实体自动分割应用

城市建筑物实体自动分割应用比目标识别更进一步:它不但需要对每个目标进行精确定位(Hafiz et al.，2020)，还需要对包容盒内的物体进行前景分割。图6-19是城市建筑物实例分割示例，其不仅在目标和对象层次对每个建筑物实现定位，还对每个包容盒内进行了前景分割。

图6-18　港口城市遥感影像船只目标检测示例

图6-19　城市建筑物实例自动分割示例